基于免疫系统与故障诊断系统在作用机制上的相似性,在建立通用的人工免疫网络故障诊断模型的基础上,提出一种基于模糊人工免疫网络的故障诊断算法.文中的免疫系统故障诊断模型,把故障诊断问题建模为抗体-抗原识别和作用问题;设计克隆选择,免疫记忆等故障诊断的免疫规则;并基于故障诊断问题的先验知识,提出一种模糊人工免疫网络故障诊断算法.UCI(University of California,Irvine)标准数据集和一个四级压缩机故障诊断试验表明,该算法能充分利用故障数据的先验信息,快速准确地获得数据样本特征,实现数据的聚类,从而完成故障诊断.
针对现有人工免疫网络算法对先验知识应用不足的问题,提出一种基于模糊人工免疫网络的有监督学习数据分类方法.首先采用模糊C均值聚类算法为免疫网络提供疫苗(初始种群),将此疫苗作为免疫网络的初始抗体群,种群再经过克隆选择、网络压缩、免疫成熟、记忆等算子的不断扩展和压缩,形成一个由浓缩后的训练数据构成的抗体网络,最终基于该抗体网络采用“邻近原则”构造分类器.由于各算子的协调作用,该方法能够在高浓缩率的情况下更好地代替样本空间.UCI (University of Califomia,Irvine)数据集的仿真实验证明,与aiNet方法相比,该方法在分类准确率和数据浓缩率上分别高出7.26%和11.16%,而且更稳定、可靠.
在分析谱聚类实现思路和已有算法基础上,对规范切判据,最小最大切判据和自动确定聚类数目的谱聚类典型算法进行了研究和应用,通过理论分析算法各自实现机理的联系与区别,讨论它们各自的聚类特点,并利用UCI(University of California,Irvine)机器学习数据集试验对比了三种算法的聚类效果。发现谱聚类算法实现数据聚类的有效性,以及参数及相似度度量对算法性能有很大影响,在此基础上提出了算法用于解决可建模为模式识别的工程问题的可行思路,为工程实践提供了借鉴。